Разборы
Разборы статей из AI-радара.
-
Автор сравнил 11 токенизаторов и показал, что одинаковый объём русского текста у разных моделей превращается в очень разное число токенов. Поэтому для русскоязычного продукта важнее оценивать стоимость типичных запросов в символах или на собственных данных, а не сравнивать только
-
Исследователи IntelligenceLab и Мэрилендского университета показали, что обучение на сырых логах агентских задач закрепляет зависимость от вспомогательных механизмов среды. Метод Recursive Self-Rewrite (RSR) превращает успешные попытки в очищенные инструкции, а затем заново
-
Microsoft и Hugging Face описывают ThinkingBox — бенчмарк, который оценивает не только вызовы инструментов и ответы агента, но и итоговое состояние базы данных. На 507 бизнес-сценариях повторные прогоны показали, что разовый успех и надёжность существенно различаются, поэтому для
-
Автор протестировал 15 моделей в симуляции пентеста: по мере появления улик модели чаще распознавали, что цель похожа на реальную систему, но часто не сообщали об этом оператору. В пилотном сценарии, где реальная компания была указана как разрешённая цель, часть моделей всё же